[发明专利]一种逆推式垃圾焚烧机械炉排给料器的自动控制方法

说明书

本发明涉及一种逆推式垃圾焚烧机械炉排给料器的自动控制方法，属于垃圾焚烧技术领域。该方法包括以下步骤：S1：获取半年以上的历史数据，进行分类划分；S2：将历史数据进行分筛，采用K‑means聚类算法，自动去掉启停炉、设备故障及测点维修过程的异常数据，获取建模所需的正常运行数据；S3：选取影响风压变化的变量作为建模特征变量；S4：应用DNN深度学习算法，根据选取的特征变量及历史数据，进行风压模型训练，获得风压模型；S5：将风压模型接入实时特征数据，获取实时风压理论输出结果，并与实际风压值进行比较，依据偏差大小，判断炉内垃圾料位情况，得到垃圾料位的间接表征量。

技术领域

本发明属于垃圾焚烧技术领域，涉及一种逆推式垃圾焚烧机械炉排给料器的自动控制方法。

背景技术

逆推式生活垃圾焚烧机械炉排，由固定炉排和活动炉排交替安装而成，活动炉排与垃圾运动方向相逆，炉排分为干燥段、燃烧段、燃烬及冷却段，每段均设置有一次风门，为垃圾燃烧提供氧量。在逆推式机械炉排垃圾焚烧工艺中，入炉垃圾量的平稳性直接决定着燃烧过程的好坏，入炉垃圾多则会出现超温、超负荷、环保参数超标风险，入炉垃圾过少则会出现烧空、炉温快速下降甚至低于850℃的环保要求风险。然而，因为垃圾本身成分复杂、形态多变等因素，造成炉内垃圾极易分布不均，不能简单地从给料速度上测算垃圾的进料量；同时，因垃圾不着火、爆燃等因素，容易造成运行人员判断错误，进而导致人为进料过多或过少，导致炉排上垃圾料位偏厚或偏薄的情况。如何能够准确有效判断炉内垃圾料位成为制约着垃圾能否稳定燃烧的关键。

且炉内存在高温、高烟尘的复杂环境，炉内垃圾垃圾料位难以有效测量，目前能够间接反映炉内料层情况的表征量为采用炉排每段风室的风压，但实际风压多受一次风机、二次风机、引风机出力及风室风门开度等综合因素的影响，运行人员难以直观通过风压的变化有效的判断炉内垃圾料位。如何将影响风压变化的外部因素剔除掉，有效判断炉内料层情况进而应用到给料及炉排自动控制，显得尤为关键。

发明内容

有鉴于此，本发明的目的在于提供一种逆推式垃圾焚烧机械炉排给料器的自动控制方法。

为达到上述目的，本发明提供如下技术方案：

一种逆推式垃圾焚烧机械炉排给料器的自动控制方法，该方法包括以下步骤：

S1：获取半年以上的历史数据，包括一次风频率、一次风量、二次风频率、二次风量、引风机频率、一次风压力、风室风门开度、炉排下风室压力、蒸汽流量和炉膛温度数据，其中一二次风及风室压力数据为垃圾料位表征的直接相关数据，受此类参数影响较大，蒸汽流量计炉膛温度数据则作为工况情况的判断，基于此对数据进行分类划分；

S2：将历史数据进行分筛，采用K-means聚类算法，自动去掉启停炉、设备故障及测点维修过程的异常数据，获取建模所需的正常运行数据；其中，启停炉、设备故障及测点维修过程的数据为异常数据；

S3：依据工艺原理，选取影响风压变化的变量作为建模特征变量；

S4：应用DNN深度学习算法，根据选取的特征变量及历史数据，进行风压模型训练，获得风压模型；其中，DNN算法的配置为：

输入数据为：一次风频率、一次风量、二次风频率、二次风量、引风机频率、一次风压力、风室风门开度；

输出数据：垃圾料位数据；

模型层数为：5层，每层为100个神经元；

激活函数为：RELU函数；

loss损失函数为：均方误差损失函数；

训练过程采用：SGD随机梯度下降法进行；

训练次数依据数据规模进行调整，若模型精度不足，则增加训练数据及训练进行训练；